Resolusi yang lebih tinggi, lebih menjimatkan, model generatif mendalam digabungkan dengan strategi pembelajaran aktif untuk memajukan penyelidikan sel tunggal berskala besar

Penyelidikan penjujukan sel tunggal membawa kejayaan

Edit | Kulit Lobak

Sel tunggal penjujukan telah menjadi alat yang berkuasa untuk membongkar kerumitan selular penyakit kompleks. Walau bagaimanapun, kosnya yang tinggi mengehadkan penggunaannya yang meluas dalam penyelidikan bioperubatan.

Kaedah penyahkonvolusian sel tradisional boleh membuat kesimpulan perkadaran jenis sel daripada data penjujukan pukal yang lebih murah, tetapi tidak dapat memberikan resolusi halus yang diperlukan untuk analisis sel tunggal.

Untuk menangani cabaran ini, penyelidik di Universiti McGill di Kanada membangunkan "scSemiProfiler", yang menggabungkan model generatif mendalam dengan strategi pembelajaran aktif untuk mencipta rangka kerja pengkomputeran yang inovatif.

scSemiProfiler sangat tepat dan mampu membuat kesimpulan profil sel tunggal dalam populasi yang besar. Ia boleh disepadukan rapat dengan data analisis sel tunggal sebenar untuk menyokong analisis sel halus.

Penyelidikan itu bertajuk "scSemiProfiler: Memajukan kajian sel tunggal berskala besar melalui pemprofilan separuh dengan model generatif mendalam dan pembelajaran aktif" dan diterbitkan dalam majalah "Nature Communications" pada 16 Julai 2024 .

Teknologi penjujukan sel tunggal dan batasannya

Teknologi penjujukan sel tunggal telah banyak mengubah penyelidikan biologi, mendedahkan perbezaan halus antara sel dan menggalakkan penemuan biomarker dan pembangunan strategi rawatan yang diperibadikan. Walau bagaimanapun, kos penjujukan sel tunggal yang tinggi (mis., kos penjujukan 20,000 sel dianggarkan $6,000 pada 2023) mengehadkan penyelidikan berskala besarnya.

Kaedah Dekonvolusi

Untuk mengurangkan kos, terdapat banyak kaedah dekonvolusi yang boleh menyelesaikan populasi sel dalam data bercampur, termasuk:

• CIBERSORTx
• Bisque
• DWLS
• MuSiC
• NNLS
• EPIC
• Scaden
• TAPE

Kaedah ini menyeimbangkan antara ekonomi dan resolusi data, tetapi masih mempunyai had dalam resolusi dan ketepatan serta tidak boleh mencapai analisis tahap sel tunggal.

Analisis resolusi sel tunggal

Analisis resolusi sel tunggal adalah penting untuk pemahaman mendalam tentang kerumitan penyakit dan tindak balasnya terhadap rawatan. Ia boleh melakukan analisis berikut:

• UMAP
• Analisis corak pengaktifan laluan
• Penemuan biomarker
• Pengayaan fungsi gen
• Interaksi sel-sel
• Analisis trajektori pseudo-temporal

Digabungkan dengan teknologi pembelajaran mesin, ia membantu menyahkod heterogeniti selular dan perubahan dinamik.

scSemiProfiler

Untuk menangani cabaran di atas dan menyediakan pendekatan kos efektif untuk penjujukan sel tunggal berasaskan luas, pasukan penyelidik di McGill University melancarkan satu- sel Separa profil (scSemiProfiler). Alat pengiraan penjanaan kedalaman ini direka untuk meningkatkan ketepatan dan kedalaman analisis sel tunggal dengan ketara.

Ilustrasi: Gambaran keseluruhan kaedah scSemiProfiler (Sumber: kertas)

Gambaran Keseluruhan
scSemiProfiler adalah lebih menjimatkan dan lebih Skala pilihan penjujukan sel tunggal untuk memudahkan analisis sel tunggal lanjutan dengan kebolehcapaian yang lebih besar.

Kaedah
Alat ini menggabungkan teknik pembelajaran aktif dengan berkesan dengan algoritma rangkaian saraf generatif dalam, bertujuan untuk menyediakan data resolusi sel tunggal pada harga yang lebih berpatutan. scSemiProfiler menyasarkan untuk mencapai dua matlamat asas secara serentak dalam proses separa berprofil:

Ilustrasi: Perbandingan keseluruhan separa berprofil dan berprofil sebenar pada set data COVID-19. (Sumber: kertas)

1. Modul pembelajaran aktif scSemiProfiler menyepadukan maklumat daripada model pembelajaran mendalam dan sejumlah besar data untuk memilih sampel paling bermaklumat secara bijak untuk penjujukan sel tunggal sebenar.
2. Komponen model generatif mendalam scSemiProfiler menggabungkan data sel tunggal secara berkesan daripada sampel wakil dengan data penjujukan pukal untuk populasi tersebut, secara pengiraan mengekstrapolasi data sel tunggal untuk sampel bukan perwakilan yang tinggal.

   

   1. Ilustrasi: Analisis perbandingan separa berprofil dan berprofil sebenar dalam set data iMGL. (Sumber: Kertas)
3. Kaedah rangkaian saraf dalam ini boleh "menyahkonversi" data kelompok sasaran ke dalam ukuran tahap sel tunggal yang tepat dengan lebih terperinci. Oleh itu, scSemiProfiler hanya perlu membuat belanjawan untuk penjujukan kelompok dan penjujukan sel tunggal yang mewakili untuk mengeluarkan data sel tunggal untuk semua sampel dalam kajian.
4. Sehingga kini, scSemiProfiler ialah produk pertama seumpamanya yang direka khusus untuk penguraian pengiraan tahap sel tunggal yang kompleks daripada sejumlah besar data penjujukan.

   

   Ilustrasi: Pembelajaran aktif menunjukkan keupayaannya untuk menganalisis secara selektif sampel yang paling bermaklumat pada peringkat sel tunggal. (Sumber: kertas)

Melalui penilaian menyeluruh ke atas pelbagai set data, scSemiProfiler secara konsisten menghasilkan data sel tunggal separa berprofil yang berkorelasi rapat dengan set data sel tunggal sebenar dan Mencerminkan dengan tepat hasil tugasan hiliran .

ScSemiProfiler Oleh itu membantu mempertingkatkan pemerolehan data sel tunggal untuk kajian berskala besar, termasuk kajian kohort penyakit dan banyak lagi.

Dengan mengurangkan kos penyelidikan sel tunggal berskala besar, scSemiProfiler dijangka memudahkan aplikasi teknologi sel tunggal dalam pelbagai penyelidikan bioperubatan. Kemajuan ini akan meluaskan skop dan meningkatkan kedalaman penyelidikan biologi.

Pautan kertas:
https://www.nature.com/articles/s41467-024-50150-1

Atas ialah kandungan terperinci Resolusi yang lebih tinggi, lebih menjimatkan, model generatif mendalam digabungkan dengan strategi pembelajaran aktif untuk memajukan penyelidikan sel tunggal berskala besar. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!